如何用异常图像测试卷积神经网络代码？
我是深度学习的初学者（CNN）。我使用了以下代码：(http://learnandshare645.blogspot.com/2016/06/feeding-your-own-data-set-into-cnn.html)了解更多有关卷积神经网络的信息。这段python代码只是将数据分为“训练”和“测试”两部分，代码中没有验证部分。那么，如何将验证文件夹添加到包含正常和异常等不同图像的代码中？我的目标是：给代码提供一个异常图像（该图像与之前训练过的训练和测试图像完全不同），以便看到不同的结果。
共有1个答案
根据代码，“测试”集用作验证。您知道这一点是因为模型“适合”测试集，即您有：
model.fit(...validation_data=(X_test, Y_test)
这只是命名法，但可能会令人困惑。模型在训练期间从未见过真正的测试集。您需要从训练中“持有”一个额外的数据集并正确命名数组。假设您希望一个测试集占训练数据的10%，简单地说：
# Split your data into train/validation
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=4)
# Split into train/test
X_train, X_test, y_train, y_test = train_test_split(X_train, y_train, test_size=0.1, random_state=4)
...more code
# Train you model
model.fit(...validation_data=(X_val, Y_val)
...more code
# Now evaluate on the test data
score = model.evaluate(X_test, Y_test, show_accuracy=True)
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
我正在尝试运行一个CNN（卷积神经网络），具有1通道/灰度图像，大小为28x28像素。当我尝试训练模型时，它说： ValueError：图层sequential_5输入0与图层不兼容:: 预期min_ndim=4，发现ndim=3。完整形状收到：[无，28,28]
-
我正在研究一个深度学习问题，它需要我有一个深度学习模型，该模型具有输入图像和输出另一张图像。现在，输入和输出图像具有不同的维度，因此我不能使用自动编码器。我已经尝试构建一个非常简单的卷积神经网络，它有一个最终的输出密集层，该层以输出图像的宽度和高度相乘为“单位”参数。然而，我下面附加的这个网络没有成功。我的问题是： CNN是不是像我这样处理这个问题的合适的深度学习网络 如果没有，我还可以尝试其他什
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN